Hipotesis Penelitian TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

3. Random Effect Model REM, dalam model ini terdapat perbedaan intersep untuk setiap individu dan intersep tersebut merupakan variabel random atau stokastik. Sehingga dalam model random effects terdapat dua komponen residual, yakni residual secara menyeluruh it 3.2 dan residual secara individu. Persamaan model random effects dapat ditulis sebagai berikut: Metode estimasi yang digunakan pada model analisis regresi data panel statis, didasarkan pada asumsi struktur matriks varians dan covarians residualnya, yang terdiri dari 3 metode, yaitu: 1. Ordinary Least Square OLSLSDV, jika struktur matriks varians-covarians residualnya diasumsikan bersifat homokedastik dan tidak ada cross sectional correlation, 2. Generalized Least Square GLSWeighted Least Square WLS: Cross Sectional Weight , jika struktur matriks varians-covarians residualnya diasumsikan bersifat heterokedastik dan tidak ada cross sectional correlation, 3. Feasible Generalized Least Square FGLSSeemingly Uncorrelated Regression SUR, jika struktur matriks varians-covarians residualnya diasumsikan bersifat heterokedastik dan ada cross sectional correlation. Analisis Data Panel Dinamis Baltagi 2005 menyatakan bahwa hubungan di antara variabel-variabel ekonomi pada kenyataan banyak yang bersifat dinamis. Analisis data panel dinamis dapat digunakan pada model yang bersifat dinamis yang melibatkan variabel lag dependen sebagai variabel regresor di dalam model. Keuntungan penggunaan panel data dinamis adalah bahwa panel data dinamis dapat mengkaji mengenai analisis penyesuaian dinamis dynamic of adjustment. Sebagai ilustrasi, model data panel dinamis adalah sebagai berikut: y it = y i,t-1 + u it dengan menyatakan suatu skalar, x’ ; i=1,….,N; t=1…..,T 3.3 it menyatakan matriks berukuran 1xK dan matriks berukuran Kx1. Pada model ini, u it diasumsikan mengikuti model one way error component sebagai berikut: 41 u it = i + v it dengan u 3.4 it ~ IID0, menyatakan pengaruh individu dan v it Dalam model data panel statis, dapat ditunjukkan adanya konsistensi dan efisiensi baik pada FEM maupun REM terkait perlakuan terhadap ~ IID0, menyatakan gangguan yang saling bebas satu sama lain atau dalam beberapa literatur disebut sebagai transient error. . Dalam model dinamis, situasi ini secara substansi sangat berbeda, karena merupakan fungsi dari maka y i,t-1 juga merupakan fungsi dari . Karena adalah fungsi dari u it maka akan terjadi korelasi antara variabel regresor y i,t-1 dengan u it . Hal ini akan menyebabkan penduga least square sebagaimana digunakan pada model data panel statis menjadi bias dan inkonsisten, bahkan bila tidak berkorelasi serial sekalipun. Pendekatan method of moments dapat digunakan untuk mengatasi masalah bias dan inkonsistensi. Arrelano dan Bond menyarankan suatu pendekatan generalized method of moments GMM. Pendekatan GMM merupakan salah satu yang populer. Setidaknya ada dua alasan yang mendasari, pertama, GMM merupakan common estimator dan memberikan kerangka yang lebih bermanfaat untuk perbandingan dan penilaian. Kedua, GMM memberikan alternatif yang sederhana terhadap estimator lainnya, terutama terhadap maximum likelihood. . Namun demikian, penduga GMM juga tidak terlepas dari kelemahan. Beberapa kelemahan metode GMM, yaitu: i GMM estimator adalah asymptotically efficient dalam ukuran contoh besar tetapi kurang efisien dalam ukuran contoh yang terbatas finite; dan ii estimator ini terkadang memerlukan sejumlah implementasi pemrograman sehingga dibutuhkan suatu perangkat lunak software yang mendukung aplikasi pendekatan GMM. Terdapat dua jenis prosedur estimasi GMM yang umumnya digunakan untuk mengestimasi model linear autoregresif , yakni: 1. First-difference GMM FD-GMM atau AB-GMM 2. System GMM SYS-GMM